Ιλάν Γκλακ, Διευθυντής Go-to-Market, Βόρεια Αμερική στη Digital Matter – Σειρά Συνεντεύξεων

Ιλάν Γκλακ, Διευθυντής Go-to-Market, Βόρεια Αμερική στη Digital Matter, είναι ένας έμπειρος τεχνολογικός και εμπορικός ηγέτης με υπόβαθρο που εκτείνεται στο Internet των Πραγμάτων (IoT), την τεχνητή νοημοσύνη, την τεχνολογία της αλυσίδας εφοδιασμού, την ανάλυση δεδομένων και την επιχειρηματική στρατηγική. Πριν ενταχθεί στη Digital Matter, εργάστηκε για περισσότερα από πέντε χρόνια στη Cox 2M και GearTrack, ως Γενικός Διευθυντής και Chief Revenue Officer και βοήθησε στην προώθηση λύσεων παρακολούθησης και ορατότητας της αλυσίδας εφοδιασμού σε πραγματικό χρόνο. Παλαιότερα, ο Γκλακ ήταν Γενικός Διευθυντής στη Wasteless AI, όπου εργάστηκε σε τεχνολογία δυναμικής τιμολόγησης με τη βοήθεια της τεχνητής νοημοσύνης, σχεδιασμένη για να βοηθήσει τους λιανοπωλητές τροφίμων να μειώσουν το απόβλητο, και κατέχει ανώτερες θέσεις προϊόντων και εμπορικών στη WeissBeerger, μια εταιρεία IoT και ανάλυσης δεδομένων που αποκτήθηκε από την AB InBev. Ξεκίνησε την καριέρα του στη στρατηγική και τις επιχειρηματικές λειτουργίες στη Deloitte Consulting, δίνοντάς του μια συνδυασμένη εμπειρία προϊόντων, εμπορικής(strategy) και στρατηγικής σε αναδυόμενες τεχνολογίες.

Digital Matter είναι μια παγκόσμια εταιρεία IoT hardware που ειδικεύεται στην παρακολούθηση περιουσιακών στοιχείων μακράς διάρκειας, παρακολούθηση αισθητήρων και λύσεις τηλεματικής. Η εταιρεία αναπτύσσει συνδεδεμένα συσκευές χαμηλής κατανάλωσης ενέργειας, σχεδιασμένες για αναπτύξεις σε περιοχές όπως η логιστική, η παρακολούθηση στόλων και εξοπλισμού, η παρακολούθηση της αλυσίδας εφοδιασμού, η γεωργία και οι περιβαλλοντικές εφαρμογές, με εκατομμύρια συσκευών που αναπτύσσονται παγκοσμίως. Το hardware της υποστηρίζει eine σειρά τεχνολογιών θέσης και συνδεσιμότητας, συμπεριλαμβανομένης του Συστήματος Παγκόσμιας Ναυτιλίας Δορυφόρων (GNSS), της θέσης Wi-Fi, της χαμηλής ενέργειας Bluetooth (BLE), της κινητής IoT, του LoRaWAN και της δορυφορικής συνδεσιμότητας. Η Digital Matter παρέχει επίσης μια πλατφόρμα διαχείρισης συσκευών βασισμένη στο cloud που επιτρέπει στους πελάτες και τους συνεργάτες να ρυθμίζουν, να παρακολουθούν, να προμηθεύονται και να διαχειρίζονται συνδεδεμένες συσκευές σε κλίμακα.

Πριν ενταχθεί στη Digital Matter, εργάστηκα σε εταιρείες όπως GearTrack, Wasteless AI και WeissBeerger, όπου χρησιμοποιήθηκαν δεδομένα λειτουργίας σε πραγματικό χρόνο για τη βελτίωση των αλυσίδων εφοδιασμού, τη μείωση του αποβλήτου και τη λήψη καλύτερων εμπορικών αποφάσεων. Πώς έχει επηρεάσει αυτή η εμπειρία την άποψή σας για το IoT ως βάση για την επιχειρηματική τεχνητή νοημοσύνη;

Στις εταιρείες GearTrack, Wasteless AI και WeissBeerger, είδα από πρώτο χέρι ότι η καλύτερη τεχνολογία είναι μόνο τόσο καλή όσο τα δεδομένα που την υποστηρίζουν.

Κάθε εταιρεία λύσε不同的 προβλήματα, αλλά το κοινό νήμα ήταν η χρήση δεδομένων σε πραγματικό χρόνο από τον φυσικό κόσμο για τη λήψη καλύτερων αποφάσεων. Αυτό μπορεί να σημαίνει την κατανόηση της τοποθεσίας του αποθέματος, την αναγνώριση του αποβλήτου πριν συμβεί, ή τη βοήθεια μιας επιχείρησης να ανταποκριθεί γρηγορότερα σε ό,τι αλλάζει στο έδαφος.

Αυτές οι εμπειρίες έχουν διαμορφώσει πραγματικά τον τρόπο που σκέφτομαι για το IoT και την τεχνητή νοημοσύνη. Πολλές πολύτιμες λειτουργικές πληροφορίες δεν έχουν ακόμη καταγραφεί στα παραδοσιακά επιχειρηματικά συστήματα. Υπάρχουν σε οχήματα, εξοπλισμό, αποθέματα, εγκαταστάσεις και αλυσίδες εφοδιασμού. Το IoT είναι αυτό που μετατρέπει αυτή τη φυσική δραστηριότητα σε χρησιμοποιήσιμα δεδομένα.

Για μένα, αυτό κάνει το IoT μια κρίσιμη βάση για την επιχειρηματική τεχνητή νοημοσύνη. Παρέχει στην τεχνητή νοημοσύνη μια πιο σαφή και τρέχουσα εικόνα για το πώς λειτουργεί μια επιχείρηση. Αντί να κοιτάζει μόνο πίσω σε ιστορικές αναφορές, οι εταιρείες μπορούν να αρχίσουν να αναγνωρίζουν μοτίβα, να προβλέπουν προβλήματα και να λαμβάνουν καλύτερες αποφάσεις σε πραγματικό χρόνο.

Πολυάριθμες εταιρείες εκπαιδεύουν μοντέλα τεχνητής νοημοσύνης με τα ίδια δημόσια σύνολα δεδομένων όπως οι ανταγωνιστές τους. Γιατί πιστεύετε ότι τα ιδιόκτητα λειτουργικά δεδομένα γίνονται μια πιο σημαντική πηγή διαφοροποίησης της τεχνητής νοημοσύνης;

Τα ίδια δεδομένα εισόδου, τα ίδια είσοδοι. Όσο η πρόσβαση στα μοντέλα τεχνητής νοημοσύνης γίνεται πιο ευρέως διαθέσιμη, τα μοντέλα αυτά γίνονται ολοένα και περισσότερο εμπόρευμα, με τον πραγματικό διαφοροποιητή να είναι η ποιότητα, η μοναδικότητα και η σχετικότητα των δεδομένων που τα τροφοδοτούν.

Αν όλες οι εταιρείες χρησιμοποιούν τα ίδια εργαλεία, εκπαιδευμένα με τα ίδια δημόσια, τρίτα ή ιστορικά σύνολα δεδομένων, φτάνουν όλες περίπου στις ίδιες συμπεράσματα.

Πάρτε δύο ανταγωνιστές λιανοπωλητές που χρησιμοποιούν την ίδια πλατφόρμα τεχνητής νοημοσύνης, προβλέψεις αγοράς και ιστορικά δεδομένα ζήτησης. Αν ένας από αυτούς έχει αναπτύξει αισθητήρες IoT σε όλα τα αποθέματα, τρέιλερ, παλέτες και εξοπλισμό, συνεχώς τροφοδοτεί την τεχνητή του νοημοσύνη με δεδομένα αλήθειας – δεδομένα σε πραγματικό χρόνο σχετικά με την κίνηση του αποθέματος, τους χρόνους διαμονής, τη χρήση των περιουσιακών στοιχείων, τα μποτλνεκ και τις λειτουργικές διαταραχές. Η τεχνητή του νοημοσύνη δεν μαθαίνει μόνο από ό,τι συνέβη το προηγούμενο τρίμηνο. Μαθαίνει συνεχώς από ό,τι συμβαίνει σε όλη την επιχείρηση αυτή τη στιγμή.

Με το πέρασμα του χρόνου, αυτό συνιστά một πραγματικό πλεονέκτημα. Η τεχνητή του νοημοσύνη δεν βασίζεται αποκλειστικά σε ιστορικές τάσεις ή τρίτες μετρήσεις. Μαθαίνει από τις δικές της επιχειρηματικές δραστηριότητες σε πραγματικό χρόνο, δημιουργώντας μια πηγή νοημοσύνης που οι ανταγωνιστές δεν μπορούν να αγοράσουν, να σαρώσουν ή να αναπαράγουν.

Όταν αναπτύσσονται αισθητήρες σε στόλους, εγκαταστάσεις, εξοπλισμό και αλυσίδες εφοδιασμού, ποια είδη λειτουργικής νοημοσύνης μπορούν οι εταιρείες να καταγράψουν που θα λάμβαναν αλλιώς;

Πολυάριθμες οργανώσεις λαμβάνουν κρίσιμες αποφάσεις χωρίς συνεχή ορατότητα σε ό,τι συμβαίνει στις φυσικές τους δραστηριότητες. Μπορεί να γνωρίζουν πόσο απόθεμα έχουν ή πότε μια αποστολή προγραμματίστηκε να φτάσει, αλλά συχνά λείπουν πληροφορίες σχετικά με το πώς τα περιουσιακά στοιχεία, ο εξοπλισμός και οι ροές εργασίας λειτουργούν στην πραγματικότητα από ημέρα σε ημέρα.

Αναπτύσσοντας αισθητήρες σε στόλους, εγκαταστάσεις, εξοπλισμό και αλυσίδες εφοδιασμού, οι οργανώσεις μπορούν να αναγνωρίσουν μποτλνεκ, να παρακολουθήσουν τη χρήση των περιουσιακών στοιχείων, να παρακολουθήσουν την κίνηση του αποθέματος και να κατανοήσουν πώς οι πραγματικές συνθήκες επηρεάζουν την απόδοση.

Για παράδειγμα, ένας λιανοπωλητής μπορεί να γνωρίζει ότι το απόθεμα έφτασε σε ένα κέντρο διανομής και τελικά παραδόθηκε σε ένα κατάστημα, αλλά δεν να συνειδητοποιήσει ότι κάποιες παλέτες συνεχώς ξοδεύουν μερικές επιπλέον ημέρες σε μια περιοχή στάθμευσης πριν μεταφερθούν 다운στριμ. Χωρίς δεδομένα αισθητήρων, αυτή η καθυστέρηση παραμένει σε μεγάλο βαθμό αόρατη. Με το IoT, γίνεται μετρήσιμη και δραστήρια – επιτρέποντας στις ομάδες να αναγνωρίσουν την nguyên nhân, να βελτιώσουν τη ροή του αποθέματος και να μειώσουν τα προβλήματα διαθεσιμότητας αποθέματος.

Πώς διαφέρει το δεδομένο που παράγεται από το IoT από τα παραδοσιακά επιχειρηματικά δεδομένα όταν πρόκειται για την εκπαίδευση, την επιμελήωση ή την εναρμόνιση συστημάτων τεχνητής νοημοσύνης;

Τα παραδοσιακά επιχειρηματικά δεδομένα είναι συχνά συναλλακτικά και ιστορικά, καταγράφοντας γεγονότα που έχουν ήδη συμβεί, όπως παραγγελίες, τιμολόγια, εγγραφές αποθέματος ή ολοκληρωμένες επιχειρηματικές διαδικασίες. Αν και αυτές οι πληροφορίες είναι πολύτιμες, αντανακλούν κυρίως μια φωτογραφία του παρελθόντος. Και με τις αγορές να κινούνται γρηγορότερα από ποτέ, ό,τι συνέβη την προηγούμενη σεζόν μπορεί να μην μας λέει πολλά για αυτήν.

Τα δεδομένα που παράγονται από το IoT διαφέρουν επειδή καταγράφουν ό,τι συμβαίνει σε πραγματικό χρόνο. Παρέχουν συνεχή εικόνα για την τοποθεσία των περιουσιακών στοιχείων, την κίνηση, τη χρήση, τις περιβαλλοντικές συνθήκες και άλλες λειτουργικές σηματοδοτήσεις που δεν είναι συνήθως διαθέσιμες στα παραδοσιακά επιχειρηματικά συστήματα.

Για τις εφαρμογές της τεχνητής νοημοσύνης, αυτή η διάκριση είναι σημαντική. Τα ιστορικά δεδομένα βοηθούν να εξηγηθεί ό,τι συνέβη, ενώ τα δεδομένα του IoT βοηθούν να καθορίσουν ό,τι συμβαίνει τώρα. Όταν οι οργανώσεις συνδυάζουν τα δύο, μπορούν να εναρμονίσουν τα συστήματα της τεχνητής νοημοσύνης με τις τρέχουσες λειτουργικές πραγματικότητες, δημιουργώντας πιο ακριβείς εικόνες και επιτρέποντας γρηγορότερες, πιο ενημερωμένες αποφάσεις.

Η Digital Matter τονίζει τις συσκευές χαμηλής κατανάλωσης ενέργειας και ανθεκτικές, κατασκευασμένες για μακροχρόνια παρακολούθηση περιουσιακών στοιχείων και παρακολούθηση αισθητήρων. Ποια είναι τα μεγαλύτερα τεχνικά προβλήματα στη διατήρηση των συσκευών IoT να παράγουν δεδομένα για χρόνια σε σύνθετα περιβάλλοντα;

Οι συσκευές IoT συχνά αναπτύσσονται σε περιβάλλοντα που είναι δύσκολο να προβλεφθούν και ακόμη πιο δύσκολο να ελεγχθούν. Μια seule συσκευή μπορεί να περάσει χρόνια μετακινούμενη μεταξύ εγκαταστάσεων, οχημάτων, ιστότοπων πελατών, απομακρυσμένων τοποθεσιών και περιοχών με ασταθή συνδεσιμότητα.

Ένα από τα μεγαλύτερα προβλήματα είναι η ισορροπία της ορατότητας με την κατανάλωση ενέργειας. Όσο συχνότερα μια συσκευή συλλέγει και μεταδίδει δεδομένα, τόσο περισσότερη ενέργεια καταναλώνει. Η σχεδίαση συσκευών που μπορούν να καταγράψουν έξυπνα σημαντικά γεγονότα, να προσαρμοστούν σε αλλαγμένες λειτουργικές συνθήκες και να μεγιστοποιήσουν τη διάρκεια ζωής της μπαταρίας για πολλά χρόνια είναι κρίσιμη για την παροχή αξιόπιστων δεδομένων σε κλίμακα.

Η ανθεκτικότητα είναι εξίσου σημαντική. Οι συσκευές πρέπει να αντέξουν δονήσεις, επιπτώσεις, θερμικές διακυμάνσεις, υγρασία και χρόνια καθημερινής χρήσης, συνεχίζοντας να λειτουργούν συνεχώς, με ελάχιστη ή καθόλου συντήρηση. Ακόμη και một μικρός ρυθμός αποτυχίας μπορεί να γίνει ένα σημαντικό λειτουργικό πρόβλημα όταν οι αναπτύξεις κλιμακωθούν σε χιλιάδες ή δεκάδες χιλιάδες συσκευές.

Πώς μπορεί η τεχνητή νοημοσύνη να βοηθήσει τις εταιρείες να μεταβούν πέρα από την απλή παρακολούθηση της τοποθεσίας ενός περιουσιακού στοιχείου, προς την πρόβλεψη αποτυχιών, την оптимποίηση διαδρομών, τη μείωση του αποβλήτου ή τη βελτίωση της χρήσης;

Γνωρίζοντας την τοποθεσία ενός περιουσιακού στοιχείου είναι σημαντικό, αλλά η τοποθεσία μόνο λέει μέρος της ιστορίας. Η πραγματική ευκαιρία έρχεται από την κατανόηση του πώς τα περιουσιακά στοιχεία χρησιμοποιούνται με το πέρασμα του χρόνου και την αναγνώριση μοτίβων που θα ήταν δύσκολο να αναγνωριστούν χειροκίνητα. Όταν οι οργανώσεις συνδυάζουν δεδομένα του IoT με την τεχνητή νοημοσύνη, μεταβαίνουν πέρα από την απλή αντίδραση σε γεγονότα και αρχίζουν να τα προβλέπουν.

Αναλύοντας τάσεις στην κίνηση, τη χρήση, τον χρόνο διαμονής, τις περιβαλλοντικές συνθήκες και άλλα λειτουργικά δεδομένα, η τεχνητή νοημοσύνη μπορεί να βοηθήσει στην αναγνώριση ανεπάρκεων, να προβλέψει πιθανά προβλήματα και να αναδείξει ευκαιρίες για βελτίωση. Αυτό μπορεί να οδηγήσει σε καλύτερη χρήση των περιουσιακών στοιχείων, πιο αποτελεσματικές λειτουργίες, μείωση του αποβλήτου και γρηγορότερες αποφάσεις. Η αξία δεν είναι μόνο να γνωρίζουμε την τοποθεσία ενός περιουσιακού στοιχείου σήμερα, αλλά να χρησιμοποιούμε τα δεδομένα που παράγει για να λαμβάνουμε έξυπνες αποφάσεις για ό,τι συμβαίνει μετά.

Σε βιομηχανίες όπως η λογιστική, η ψύξη, η υγεία, η κατασκευή ή η διαχείριση εξοπλισμού, πού βλέπετε τις ισχυρότερες κοντινές ευκαιρίες για συνδυασμό δεδομένων του IoT με την τεχνητή νοημοσύνη;

Οι ισχυρότερες ευκαιρίες βρίσκονται σε βιομηχανίες που διαχειρίζονται τεράστιους όγκους κατανεμημένων περιουσιακών στοιχείων σε σύνθετες λειτουργίες, και αυτό είναι το λόγο για τον οποίο η λογιστική, η ψύξη, η υγεία, η κατασκευή και η διαχείριση εξοπλισμού ταιριάζουν στο προφίλ.

Και αυτό δεν είναι θεωρητικό. Μεγάλες επιχειρήσεις, από μεγάλους λιανοπωλητές σε αυτοκινητοβιομηχανίες και κατασκευαστές βαρέων μηχανημάτων,已经 εκτελούν αυτήν την στρατηγική, και είναι ακριβώς το λόγο για τον οποίο κάνουν σημαντικές επενδύσεις στο IoT. Ολοένα και περισσότερο, τα διοικητικά συμβούλια τους δεν ζητούν πλέον αν χρησιμοποιούν την τεχνητή νοημοσύνη. Ζητούν πού έρχεται η μετρήσιμη επιχειρηματική αξία, και οι απαντήσεις είναι λειτουργικές: βελτιωμένη απόδοση, λιγότερα περιστατικά ποιότητας, καλύτερη παράδοση στην ώρα της, και καλύτερη εμπειρία του πελάτη.

Στον κοντινό χρόνο, η μεγαλύτερη αξία θα έρθει από τη βοήθεια των οργανώσεων να λαμβάνουν καλύτερες λειτουργικές αποφάσεις χρησιμοποιώντας τη δραστηριότητα που ήδη παράγουν κάθε μέρα αλλά δεν έχουν कभή能够 να την καταγράψουν ή να την εκμεταλλευτούν.

Όταν οι εταιρείες αναπτύσσουν περισσότερους αισθητήρες και συνδεδεμένες συσκευές, πώς πρέπει να σκέφτονται για την ποιότητα των δεδομένων, την αξιοπιστία του σήματος, την ασφάλεια και τη διακυβέρνηση όταν αντιμετωπίζουν τα δεδομένα του IoT ως στρατηγική αξία της τεχνητής νοημοσύνης;

Τα μοντέλα της τεχνητής νοημοσύνης είναι τόσο καλά όσο τα δεδομένα που τα υποστηρίζουν. Οι οργανώσεις έχουν την τάση να επικεντρώνονται στη συλλογή περισσότερων δεδομένων, αλλά αν αυτά τα δεδομένα είναι不πλήρη, ασυνεπή ή αξιόπιστα, οι εικόνες της τεχνητής νοημοσύνης θα είναι επίσης. Είναι το κλασικό πρόβλημα “σκουπίδι μέσα, σκουπίδι έξω” και σε επιχειρηματικό επίπεδο γίνεται ένα ακριβό λάθος.

Γι’ αυτό, η ποιότητα των δεδομένων πρέπει να είναι προτεραιότητα από την πρώτη ημέρα. Οι οργανώσεις χρειάζονται εμπιστοσύνη ότι τα δεδομένα συλλέγονται συνεχώς, μεταδίδονται ασφαλώς και αντανακλούν ακριβώς ό,τι συμβαίνει στον φυσικό κόσμο, μαζί με σαφή διακυβέρνηση για την προέλευση των δεδομένων, τον τρόπο διαχείρισής τους και τον τρόπο ερμηνείας τους.

Τελικά, η αξία δεν είναι στην παραγωγή περισσότερων δεδομένων. Είναι στην παραγωγή αξιόπιστων, υψηλής ποιότητας δεδομένων που μπορούν να χρησιμεύσουν ως αξιόπιστη βάση για την λήψη αποφάσεων.

Για τις εταιρείες που ήδη έχουν αναπτύξει συσκευές IoT, ποια είναι τα βήματα που πρέπει να λάβουν για να κάνουν αυτά τα δεδομένα πιο χρηστικά για τις εφαρμογές της τεχνητής νοημοσύνης;

Το πρώτο βήμα είναι να αρχίσουν με το επιχειρηματικό πρόβλημα, όχι με την τεχνητή νοημοσύνη. Μόλις είναι σαφές το αντικείμενο, είτε είναι η μείωση του χρόνου διαμονής, η βελτίωση της χρήσης, η μείωση των απωλειών, ή η βελτίωση της απόδοσης, γίνεται πολύ πιο εύκολο να αναγνωρίσετε τα δεδομένα, τις διαδικασίες και τις ικανότητες της τεχνητής νοημοσύνης που χρειάζονται για να υποστηρίξουν το πρόβλημα. Πολυάριθμες οργανώσεις συλλέγουν already τεράστιους όγκους λειτουργικών δεδομένων, αλλά αυτά τα δεδομένα βρίσκονται σε αποσυνδεδεμένα συστήματα και δεν φτάνουν ποτέ σε μια απόφαση.

Το δεύτερο βήμα είναι αυτό που περισσότερες εταιρείες υποτιμούν, και αυτό είναι η διαχείριση της αλλαγής. Οι κλιμακωτές αναπτύξεις σπάνια αποτυγχάνουν λόγω της τεχνολογίας. Αποτυγχάνουν όταν οι άνθρωποι δεν δρουν με βάση ό,τι τους λέει η δεδομένα. Ένα συναγερμό που μια περιοχή αποθήκευσης είναι υποαποθηκευμένη μόνο δημιουργεί αξία αν κάποιος πραγματικά μετακινήσει το απόθεμα, οπότε η οικοδόμηση των διαδικασιών και των συνηθειών που συνδέουν τις εικόνες με δράση είναι το πιο δύσκολο και σημαντικό μέρος του έργου.

Τελικά, οι εταιρείες που βλέπουν την περισσότερη επιτυχία είναι αυτές που συνδέουν τα λειτουργικά δεδομένα με μετρήσιμες επιχειρηματικές αποτελέσματα και βεβαιώνεται ότι οι άνθρωποι τους χρησιμοποιούν.

Κοιτάζοντας μπροστά, πιστεύετε ότι η ιδιόκτητη λειτουργική νοημοσύνη θα γίνει ένας από τους μεγαλύτερους φραγμούς που χωρίζουν τους ηγέτες της τεχνητής νοημοσύνης από τις εταιρείες που χρησιμοποιούν τα ίδια εργαλεία όπως όλοι οι άλλοι;

Ναι. Όσο η τεχνητή νοημοσύνη γίνεται πιο ευρέως διαθέσιμη, η τεχνολογία seule γίνεται λιγότερο διαφοροποιητής.

Οι οργανώσεις που θα ξεχωρίσουν θα είναι αυτές που παράγουν μοναδική λειτουργική νοημοσύνη από τα δικά τους περιβάλλοντα και τη χρησιμοποιούν για να λαμβάνουν καλύτερες αποφάσεις. Σε πολλές βιομηχανίες, κάποιες από τις πιο πολύτιμες πληροφορίες εξακολουθούν να υπάρχουν στον φυσικό κόσμο, σε περιουσιακά στοιχεία, εξοπλισμό, αποθέματα και αλυσίδες εφοδιασμού – και δεν μπορούν να αγοραστούν, να σαρωθούν ή να αναπαραχθούν από έναν ανταγωνιστή.

Οι εταιρείες που μπορούν να καταγράψουν, να κατανοήσουν και να δράσουν συνεχώς σε αυτές τις πληροφορίες θα είναι σε μια πολύ ισχυρότερη θέση από εκείνες που βασίζονται αποκλειστικά στα ίδια εργαλεία και σύνολα δεδομένων όπως όλοι οι άλλοι.

Ευχαριστούμε για τη μεγάλη συνέντευξη. Οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν τη Digital Matter.